Advertisement

Der Radiologe

, Volume 60, Issue 1, pp 32–41 | Cite as

Wie funktioniert Radiomics?

  • Jacob M. Murray
  • Georgios Kaissis
  • Rickmer Braren
  • Jens KleesiekEmail author
Leitthema

Zusammenfassung

Klinisches Problem

Die reproduzierbare und umfassende Extraktion von Informationen aus radiologischen Bildern ist eine Kernaufgabe der Radiologie. Dynamische Entwicklungen im Bereich der künstlichen Intelligenz (KI) und des maschinellen Lernens stellen hierzu Methoden bereit. Radiomics ist eine solche Methode und bietet neue Möglichkeiten und Herausforderungen für die Zukunft der Radiologie.

Methodische Innovationen

Radiomics beschreibt die quantitative Auswertung, Interpretation und klinische Einordnung von bildmorphologischen Merkmalen in radiologischen Daten. Komponenten einer Radiomics-Analyse sind Datenakquisition, Datenvorverarbeitung, Datenmanagement, Segmentierung von relevanten Bildregionen, die Berechnung und Auswahl von quantitativen Bildmerkmalen sowie die Erstellung eines Radiomics-Modells, das diagnostisch und prognostisch genutzt werden kann. Diese Übersichtsarbeit erläutert diese Komponenten und soll einen zugänglichen Einstieg in das Forschungsfeld Radiomics bieten sowie bestehende Limitationen aufzeigen.

Material und Methoden

Diese Arbeit basiert auf einer selektiven Literaturrecherche mit der Suchmaschine PubMed.

Bewertung

Auch wenn Radiomics-Anwendungen bisher noch nicht im klinischen Alltag angekommen sind, wird die Quantifizierung radiologischer Daten durch Radiomics-Verfahren zukünftig weiter zunehmen. Dies birgt das Potenzial, die Fachrichtung nachhaltig zu verändern. Durch die erfolgreiche Auswertung aller Informationen, die in radiologischen Bildern enthalten sind, kann der nächste Schritt in Richtung einer personalisierten, zukunftsweisenden Medizin gegangen werden.

Schlüsselwörter

Radiogenomics Künstliche Intelligenz Personalisierte Medizin Maschinelles Lernen Künstliche neuronale Netze 

A primer on radiomics

Abstract

Clinical issue

The reproducible and exhaustive extraction of information from radiological images is a central task in the practice of radiology. Dynamic developments in the fields of artificial intelligence (AI) and machine learning are introducing new methods for this task. Radiomics is one such method and offers new opportunities and challenges for the future of radiology.

Methodological innovations

Radiomics describes the quantitative evaluation, interpretation, and clinical assessment of imaging markers in radiological data. Components of a radiomics analysis are data acquisition, data preprocessing, data management, segmentation of regions of interest, computation and selection of imaging markers, as well as the development of a radiomics model used for diagnosis and prognosis. This article explains these components and aims at providing an introduction to the field of radiomics while highlighting existing limitations.

Materials and methods

This article is based on a selective literature search with the PubMed search engine.

Assessment

Even though radiomics applications have yet to arrive in routine clinical practice, the quantification of radiological data in terms of radiomics is underway and will increase in the future. This holds the potential for lasting change in the discipline of radiology. Through the successful extraction and interpretation of all the information encoded in radiological images the next step in the direction of a more personalized, future-oriented form of medicine can be taken.

Keywords

Radiogenomics Artificial intelligence Personalized medicine Machine learning Artificial neural networks 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

J.M. Murray, G. Kaissis, R. Braren und J. Kleesiek geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Literatur

  1. 1.
    Aerts HJWL (2018) Data science in radiology: a path forward. Clin Cancer Res 24:532–534.  https://doi.org/10.1158/1078-0432.CCR-17-2804 CrossRefPubMedGoogle Scholar
  2. 2.
    Aerts HJWL, Velazquez ER, Leijenaar RTH et al (2014) Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun.  https://doi.org/10.1038/ncomms5006 CrossRefPubMedPubMedCentralGoogle Scholar
  3. 3.
    Andreassen CN, Schack LMH, Laursen LV, Alsner J (2016) Radiogenomics—current status, challenges and future directions. Cancer Lett 382:127–136.  https://doi.org/10.1016/j.canlet.2016.01.035 CrossRefPubMedGoogle Scholar
  4. 4.
    Baeßler B, Weiss K, Pinto Dos SD (2019) Robustness and reproducibility of radiomics in magnetic resonance imaging: a phantom study. Invest Radiol 54:221–228.  https://doi.org/10.1097/RLI.0000000000000530 CrossRefPubMedGoogle Scholar
  5. 5.
    Bibault J‑E, Giraud P, Housset M et al (2018) Deep learning and radiomics predict complete response after neo-adjuvant chemoradiation for locally advanced rectal cancer. Sci Rep 8:12611.  https://doi.org/10.1038/s41598-018-30657-6 CrossRefPubMedPubMedCentralGoogle Scholar
  6. 6.
    Bodalal Z, Trebeschi S, Nguyen-Kim TDL et al (2019) Radiogenomics: bridging imaging and genomics. Abdom Radiol 44:1960–1984.  https://doi.org/10.1007/s00261-019-02028-w CrossRefGoogle Scholar
  7. 7.
    Choplin RH, Boehme JM, Maynard CD (1992) Picture archiving and communication systems: an overview. Radiographics 12:127–129.  https://doi.org/10.1148/radiographics.12.1.1734458 CrossRefPubMedGoogle Scholar
  8. 8.
    3D Slicer. https://www.slicer.org/. Zugegriffen: 30. September 2019
  9. 9.
    Dyson F (2004) A meeting with Enrico Fermi. Nature 427:297.  https://doi.org/10.1038/427297a CrossRefPubMedGoogle Scholar
  10. 10.
    Gillies RJ, Kinahan PE, Hricak H (2015) Radiomics: images are more than pictures, they are data. Radiology 278:563–577.  https://doi.org/10.1148/radiol.2015151169 CrossRefPubMedPubMedCentralGoogle Scholar
  11. 11.
    Götz M, Nolden M, Maier-Hein K (2019) MITK Phenotyping: an open-source toolchain for image-based personalized medicine with radiomics. Radiother Oncol 131:108–111.  https://doi.org/10.1016/J.RADONC.2018.11.021 CrossRefPubMedGoogle Scholar
  12. 12.
    van Griethuysen JJM, Fedorov A, Parmar C et al (2017) Computational radiomics system to decode the radiographic phenotype. Cancer Res 77:e104–e107.  https://doi.org/10.1158/0008-5472.CAN-17-0339 CrossRefPubMedPubMedCentralGoogle Scholar
  13. 13.
    He L, Huang Y, Ma Z et al (2016) Effects of contrast-enhancement, reconstruction slice thickness and convolution kernel on the diagnostic performance of radiomics signature in solitary pulmonary nodule. Sci Rep.  https://doi.org/10.1038/srep34921 CrossRefPubMedPubMedCentralGoogle Scholar
  14. 14.
    Hosny A, Aerts HJ, Mak RH (2019) Handcrafted versus deep learning radiomics for prediction of cancer therapy response. Lancet Digit Health 1:e106–e107.  https://doi.org/10.1016/S2589-7500(19)30062-7 CrossRefGoogle Scholar
  15. 15.
    Hosny A, Parmar C, Coroller TP et al (2018) Deep learning for lung cancer prognostication: a retrospective multi-cohort radiomics study. PLoS Med 15:e1002711.  https://doi.org/10.1371/journal.pmed.1002711 CrossRefPubMedPubMedCentralGoogle Scholar
  16. 16.
    ITK-SNAP Home. http://www.itksnap.org/pmwiki/pmwiki.php. Zugegriffen: 30. September 2019
  17. 17.
    Joint Imaging Platform. https://jip.dktk.dkfz.de/jiphomepage/. Zugegriffen: 30. September 2019
  18. 18.
    Kleesiek J, Petersen J, Döring M et al (2016) Virtual raters for reproducible and objective assessments in radiology. Sci Rep 6:1–11.  https://doi.org/10.1038/srep25007 CrossRefGoogle Scholar
  19. 19.
    Kleesiek J, Murray JM, Strack C, Kaissis G, Braren R (2019) Wie funktioniert maschinelles Lernen? Radiologe.  https://doi.org/10.1007/s00117-019-00616-x CrossRefPubMedGoogle Scholar
  20. 20.
    Kreit E, Mäthger LM, Hanlon RT et al (2013) Biological versus electronic adaptive coloration: how can one inform the other? J R Soc Interface 10:20120601.  https://doi.org/10.1098/rsif.2012.0601 CrossRefPubMedPubMedCentralGoogle Scholar
  21. 21.
    Kumar V, Gu Y, Basu S et al (2012) Radiomics: the process and the challenges. Magn Reson Imaging 30:1234–1248.  https://doi.org/10.1016/j.mri.2012.06.010 CrossRefPubMedPubMedCentralGoogle Scholar
  22. 22.
    Lambin P, Rios-Velazquez E, Leijenaar R et al (2012) Radiomics: extracting more information from medical images using advanced feature analysis. Eur J Cancer 48:441–446.  https://doi.org/10.1016/j.ejca.2011.11.036 CrossRefPubMedPubMedCentralGoogle Scholar
  23. 23.
    Lao J, Chen Y, Li Z‑C et al (2017) A deep learning-based radiomics model for prediction of survival in glioblastoma multiforme. Sci Rep.  https://doi.org/10.1038/s41598-017-10649-8 CrossRefPubMedPubMedCentralGoogle Scholar
  24. 24.
    Li S, Wang K, Hou Z et al (2018) Use of radiomics combined with machine learning method in the recurrence patterns after intensity-modulated radiotherapy for nasopharyngeal carcinoma: a preliminary study. Front Oncol.  https://doi.org/10.3389/fonc.2018.00648 CrossRefPubMedPubMedCentralGoogle Scholar
  25. 25.
    Mackin D, Fave X, Zhang L et al (2015) Measuring CT scanner variability of radiomics features. Invest Radiol 50:757–765.  https://doi.org/10.1097/RLI.0000000000000180 CrossRefPubMedPubMedCentralGoogle Scholar
  26. 26.
    Nioche C, Orlhac F, Boughdad S et al (2018) LIFex: a freeware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity. Cancer Res 78:4786–4789.  https://doi.org/10.1158/0008-5472.CAN-18-0125 CrossRefPubMedGoogle Scholar
  27. 27.
    Owens CA, Peterson CB, Tang C et al (2018) Lung tumor segmentation methods: Impact on the uncertainty of radiomics features for non-small cell lung cancer. PLoS ONE.  https://doi.org/10.1371/journal.pone.0205003 CrossRefPubMedPubMedCentralGoogle Scholar
  28. 28.
    Park JE, Park SY, Kim HJ, Kim HS (2019) Reproducibility and generalizability in radiomics modeling: possible strategies in radiologic and statistical perspectives. Korean J Radiol 20:1124–1137.  https://doi.org/10.3348/kjr.2018.0070 CrossRefPubMedPubMedCentralGoogle Scholar
  29. 29.
    Parmar C, Grossmann P, Bussink J et al (2015) Machine learning methods for quantitative radiomic biomarkers. Sci Rep 5:13087.  https://doi.org/10.1038/srep13087 CrossRefPubMedPubMedCentralGoogle Scholar
  30. 30.
    Perrin T, Midya A, Yamashita R et al (2018) Short-term reproducibility of radiomic features in liver parenchyma and liver malignancies on contrast-enhanced CT imaging. Abdom Radiol N Y 43:3271–3278.  https://doi.org/10.1007/s00261-018-1600-6 CrossRefGoogle Scholar
  31. 31.
    Rizzo S, Botta F, Raimondi S et al (2018) Radiomics: the facts and the challenges of image analysis. Eur Radiol Exp 2:36.  https://doi.org/10.1186/s41747-018-0068-z CrossRefPubMedPubMedCentralGoogle Scholar
  32. 32.
    Rutman AM, Kuo MD (2009) Radiogenomics: creating a link between molecular diagnostics and diagnostic imaging. Eur J Radiol.  https://doi.org/10.1016/j.ejrad.2009.01.050 CrossRefPubMedGoogle Scholar
  33. 33.
    Segal E, Sirlin CB, Ooi C et al (2007) Decoding global gene expression programs in liver cancer by noninvasive imaging. Nat Biotechnol 25:675–680.  https://doi.org/10.1038/nbt1306 CrossRefPubMedGoogle Scholar
  34. 34.
    Shafiq-Ul-Hassan M, Zhang GG, Latifi K et al (2017) Intrinsic dependencies of CT radiomic features on voxel size and number of gray levels. Med Phys 44:1050–1062.  https://doi.org/10.1002/mp.12123 CrossRefPubMedPubMedCentralGoogle Scholar
  35. 35.
    Sullivan DC, Obuchowski NA, Kessler LG et al (2015) Metrology standards for quantitative imaging biomarkers. Radiology 277:813–825.  https://doi.org/10.1148/radiol.2015142202 CrossRefPubMedPubMedCentralGoogle Scholar
  36. 36.
    The Medical Imaging Interaction Toolkit (MITK) – mitk.org. http://mitk.org/wiki/MITK. Zugegriffen: 30. September 2019
  37. 37.
    Xu Y, Hosny A, Zeleznik R et al (2019) Deep learning predicts lung cancer treatment response from serial medical imaging. Clin Cancer Res 25:3266–3275.  https://doi.org/10.1158/1078-0432.CCR-18-2495 CrossRefPubMedGoogle Scholar
  38. 38.
    Zwanenburg A, Leger S, Vallières M, Löck S (2016) Image biomarker standardisation initiativeGoogle Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  • Jacob M. Murray
    • 1
    • 2
  • Georgios Kaissis
    • 3
  • Rickmer Braren
    • 3
  • Jens Kleesiek
    • 1
    • 4
    Email author
  1. 1.AG Computational Radiology, Department of RadiologyGerman Cancer Research Center (DKFZ)HeidelbergDeutschland
  2. 2.Heidelberg UniversityHeidelbergDeutschland
  3. 3.Department of Diagnostic and Interventional RadiologySchool of Medicine, Technical University of MunichMünchenDeutschland
  4. 4.German Cancer Consortium (DKTK)HeidelbergDeutschland

Personalised recommendations